Вебплатформа аналізу продуктивності виконання завдань моделями машинного навчання на стороні клієнта
Вантажиться...
Дата
2026
Автори
Науковий керівник
Назва журналу
Номер ISSN
Назва тому
Видавець
КПІ ім. Ігоря Сікорського
Анотація
Дипломна робота виконана на 74 сторінках, містить 5 ілюстрацій, 4 додатки, 11 джерел у переліку посилань.
Мета роботи – розробка веб-системи для емпіричного аналізу та порівняння продуктивності виконання моделей машинного навчання безпосередньо у клієнтському веб-середовищі (Edge ML). Методи та засоби: методи об'єктно-орієнтованого програмування, апаратне прискорення обчислень через графічні та центральні процесори, бібліотека побудови інтерфейсів React, фреймворки машинного навчання TensorFlow.js та ONNX Runtime Web, технології веб-стандартів WebAssembly (WASM), WebGL, WebGPU, інструментарій маніпуляції піксельними даними HTML Canvas API. Результат – розроблено та протестовано програмний інструментарій (бенчмаркінг-систему) для оцінювання швидкодії інференсу нейронних мереж на стороні клієнта із вбудованим алгоритмом динамічного препроцесингу вхідних даних.
Програмний продукт являє собою односторінковий вебзастосунок (Single Page Application), розроблений на базі бібліотеки React. Застосунок призначений для емпіричного тестування та порівняльного аналізу (бенчмаркінгу) продуктивності виконання моделей машинного навчання безпосередньо у клієнтському середовищі браузера (Edge ML). Система інтегрує провідні фреймворки (TensorFlow.js та ONNX Runtime Web) і підтримує маршрутизацію обчислень на різні апаратні бекенди (CPU/WASM, GPU/WebGL, WebGPU). Ключові функціональні можливості програми включають: автоматичне детектування підтримки новітніх апаратних API; динамічний препроцесинг вхідних зображень через HTML Canvas API з адаптивним алгоритмом інверсії фону; виконання двофазного бенчмаркінгу з ізоляцією прогрівочних (warm-up) ітерацій; а також збір та візуалізацію розширеної статистики (медіанний час інференсу, стандартне відхилення, споживання оперативної пам'яті) за допомогою вбудованих графічних компонентів (Recharts).
Опис
Ключові слова
машинне навчання, бенчмаркінг, edge ml, webgpu, webassembly, tensorflow.js, onnx runtime, react, machine learning, benchmarking
Бібліографічний опис
Єрохов, В. С. Вебплатформа аналізу продуктивності виконання завдань моделями машинного навчання на стороні клієнта : дипломна робота ... бакалавра : 122 Комп’ютерні науки / Єрохов Валерій Сергійович. – Київ, 2026. – 74 с.